基于大型语言模型的可解释时间序列异常检测框架 AXIS
机器学习
2025-11-12 v2
摘要
时间序列异常检测 (TSAD) 日益需要能够阐明异常发生的原因、呈现的模式以及为何异常的解释。利用大型语言模型 (LLM) 的惊人解释能力，近期研究尝试将时间序列视为文本进行可解释 TSAD。然而，这一方法面临根本性挑战：LLM operates on 离散标记，难以直接处理长时间连续信号。因此，朴素的时间序列转文本序列化会导致上下文 grounding 不足和两种模态之间的表示对齐不足。为此，我们引入 AXIS 框架，为细粒度的时间序列理解条件化一个冻结的 LLM。不同于直接序列化，AXIS 通过系列的三个互补提示丰富 LLM 的输入：(i) 用于数值 grounding 的符号数值提示，(ii) 来自预训练时间序列编码器提炼的、集成上下文、逐步对齐的提示，以捕获细粒度动力学，以及 (iii) 编码全局异常特征的任务先验提示。此外，为促进对解释性的稳健评估，我们引入了一个新的基准数据集，包含多格式问题和理由，监督上下文 grounding 和模式级语义。广泛的实验，包括基于 LLM 的人类评估，表明 AXIS 能显著提升解释质量，并在一般-purpose LLM、专业时间序列 LLM 和时间序列视觉语言模型之间实现具竞争力的检测准确率。
引用
@article{arxiv.2509.24378,
title = {AXIS: Explainable Time Series Anomaly Detection with Large Language Models},
author = {Tian Lan and Hao Duong Le and Jinbo Li and Wenjun He and Meng Wang and Chenghao Liu and Chen Zhang},
journal= {arXiv preprint arXiv:2509.24378},
year = {2025}
}